「いつもと違う」に気づくAIとは？

普段の状態を学び、外れたものを知らせる

異常検知は、過去の記録から普段の状態を学び、新しく入ってきたデータがその範囲からどれだけ外れているかを調べる方法です。外れ具合を点数にし、決めた基準を超えたものを「いつもと違う」として知らせます。

自社の記録から学ぶ点で、売上予測などと同じ機械学習の仲間です。文章を作る生成AIとの関係は機械学習と生成AIは何が違う？で整理しています。

AIが返すのは「いつもと違う」という知らせまでです。それが故障なのか、たまたま売れた日なのかを確かめ、どう対応するかを決めるのは人です。

不良や故障の例が少なくても始められる

「良品」「不良品」のような正解を付けたデータで学ばせる方法では、見つけたい不良の例をたくさん集める必要があります。ところが、不良や故障はめったに起きないため、例が集まりにくいのが普通です。

橋などのコンクリート表面の点検を題材にした研究（土木学会論文集A2、2019年）は、異常に関するデータの整備が実用上の障壁になっていると指摘しています。そのうえで、集めやすい健全な表面の画像だけで学習する異常検知を試し、ひび割れや表面のはがれなどの変状の検出に有効だったと報告しています。

中小企業でも、故障した日の記録はほとんど無いけれど、普段の温度や売上の記録は何年分もある、という状態から検討を始められます。

ルールで足りる場合と、AIが向く場合

先に、AIが要らない場合を確かめます。判断の基準が1つの数字で決まるなら、その数字を超えたら知らせるルールを作れば済みます。Excelの条件付き書式や、機器に付いている警報で足りることもあります。

AIを検討する価値があるのは、次のような場合です。

手元の記録で考える使い方のアイデア

次は当社が考えた使い方の例で、導入事例ではありません。どれも、すでに日々残している記録が材料になります。

知らせが多すぎても、少なすぎても使われない

外れ具合の点数のどこから「いつもと違う」とするかは、人が決めます。基準を低くすると見逃しは減りますが、問題のないものまで知らせる誤検知が増えます。基準を高くすると、その逆になります。

先のコンクリートの研究でも、基準を上げると正常な画像を異常とする誤りは減った一方、ひび割れのような細かな変状は見つかりにくくなりました。研究では、見逃しのほうが重大だとして、誤検知をある程度許す基準を選んでいます。

同じ研究では、学習に使った画像に含まれていなかった斜めの継ぎ目や汚れにも、高い点数が付きました。普段の状態として学ばせる記録には、季節や作業内容の違いなど、起こりうる普段の姿を幅広く含めておく必要があります。

仕事で使う前に、見逃しと誤検知のどちらが困るか、1日に何件までなら確かめられるか、知らせを誰がいつ見るかを決めておきます。知らせが多すぎると、やがて誰も見なくなります。

最初の一歩は、手元の記録をグラフにすること

気づきたい「いつもと違う」を1つ決め、関係する記録を集めます。売上なら日別の数字、設備なら温度の記録表など、すでにあるもので構いません。

記録を日付順にグラフにし、過去に「おかしかった」と覚えている日に印を付けます。その日がグラフで目立っていれば、まず決まった上限のルールで足りるかを試します。普段の値が曜日や季節で大きく動いて目立たない場合は、普段の範囲を学ぶ方法を検討する価値があります。

印を付けた日は、AIを試すときに「知らせるべき日を知らせたか」を確かめる材料にもなります。必要な記録の期間は、普段の値がどの周期で変わるかによります。考え方は需要予測に必要なデータ期間で、予測を例に説明しています。